MongoDB正在加大对云端的投入,今天正式宣布新的付费即用型MongoDB Atlas产品现已登陆Google Cloud Console。
新版本的MongoDB云数据库旨在为开发人员提供更简化的订阅体验,让他们更容易在Google Cloud基础设施平台上采用MongoDB。
这一新产品简化了客户采用方式,客户只需为他们实际使用的资源进行付费,而无需预先承诺。这样,用户就可以根据他们自己的需要扩展服务。据MongoDB称,这是一种更符合企业构建现代程序的模式,尤其是初创公司。
MongoDB由首席执行官Dev Ittycheria领导,是一家背靠主流开源文档主导型MongoDB数据库的公司。据称MongoDB数据库是同类数据库中功能最强大的数据库之一,对于那些数据密集型应用来说是一个备受欢迎的选择。MongoDB提供了优于传统数据库诸多好处,例如易用性和多功能性,可以存储多种不同格式的数据。
MongoDB Atlas是该数据库的云托管版本,可以托管在Google Cloud、AWS和其他公有云平台上,已经成为MongoDB主要的增长动力之一。上周MongoDB在第四季度财报电话会议上表示,来自Atlas的收入同比增长了85%,年化收入首次超过10亿美元,与Google Cloud和AWS的合作伙伴关系是实现这一增长的主要原因之一。
在Google Cloud上运行MongoDB Atlas的主要好处之一是能够与服务紧密集成,这意味着客户可以使用最广泛的分析方法分析数据,并将高级服务集成到由数据库提供支持的应用中。例如,MongoDB Atlas可以集成很多Google的服务如BigQuery、Apigee、TensorFlow、Cloud Run和App Engine。
Google Cloud最近还通过EPAM Systems migVisor和Google Cloud StratoZone等服务,让开发人员可以更轻松地将现有工作负载迁移到MongoDB Atlas on Google Cloud上。谷歌表示,客户使用该工具就可以自动地发现任何环境中的现有基础设施,分析从MongoDB迁移到Google Cloud的成本效益,然后使用migVisor计划进行迁移。
MongoDB公司全球合作伙伴执行副总裁Alan Chhabra表示,MongoDB和Google Cloud保持着长期合作伙伴关系,专注于推动不同行业的客户取得成功。
Chhabra表示:“Google Cloud平台上的MongoDB Atlas数据库将给开发人员带来诸多好处,提高Atlas在更广泛用户群体中知名度和普及速度,Google Cloud和MongoDB将继续与那些致力于简化向云端迁移的企业组织展开合作,实现应用开发现代化,为客户提供一流的体验。”
去年12月MongoDB公布了类似的付费即用型产品MongoDB Atlas on AWS,增强了平台集成让客户更容易在AWS平台上发现和使用该服务。
好文章,需要你的鼓励
地球日之际,NVIDIA聚焦五个推动气候科学与可持续发展的项目:利用Earth-2平台开展气候模拟、借助AI推进红毛猩猩等濒危物种保护研究、通过AMP机器人实现可回收物自动分拣、借助AI技术研究早期海啸预警系统,以及通过Planet地球观测数据平台提取环境洞察。AI与加速计算正大幅提升环境保护与气候研究的效率与精度。
这项来自哥本哈根大学等多机构的研究(arXiv:2604.09746),构建了一个纽约市虚拟导航模拟系统,让150个"蓝队"AI与100个隐藏身份的"红队"AI交互对抗。红队通过伪装成热心路人,用风景渲染、权威话术等手段把蓝队引向广告牌陷阱。研究采用KTO方法进行十轮迭代训练,发现蓝队任务完成率从46%升至57.3%,逐渐习得了主动反驳、目标锚定等策略,但被骗率始终高达70%以上,揭示了AI智能体在持续社交操控下的深层脆弱性。
CoreWeave宣布推出三项新功能,旨在简化跨云AI训练与推理工作。其中CoreWeave Interconnect直接与谷歌云互联,支持开发者灵活部署训练和推理任务;SUNK Anywhere支持大规模长周期AI训练项目,可跨谷歌云、AWS、Azure及本地环境扩展算力;LOTA Cross-Cloud则允许数据集中存储、跨云运行工作负载。此次合作借助谷歌全球网络扩展了CoreWeave的服务覆盖范围,并消除了企业连接多云时依赖第三方的繁琐流程。
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。